|
【摘要】 背景近几年来,利用不同思维作业脑电信号作为实现脑-机接口（BCI）的一种新型人机接口技术,已受到了广泛的关注。BCI是在人脑和计算机或其它电子设备之间建立的一种直接的信息交流和控制通道,它是不依赖于脑的正常输出通路（外周神经系统及肌肉组织）的全新的信息交流系统。它的一个最重要用途是为那些思维正常但有严重运动障碍的患者提供语言交流和环境控制途径,以提高其生存质量;另外,BCI技术在特殊作业和军事环境等领域也有潜在的应用价值,还可以作为一种新的信息交流控制手段和娱乐方式。BCI正成为脑科学、康复工程、生物医学工程及人机自动控制研究领域的一个研究热点。目前,BCI的研究正处于探索阶段,现有BCI系统的识别正确率和识别速率、性能稳定性等关键技术还需要解决。BCI系统本质上就是识别特定的脑电模式,然后按照预设规则将获取的脑电转化为外部信息。实际应用中,实验设计、信号获取、算法选择（特征提取、特征分类）等因素都会影响最后的结果。因此,BCI系统全面建立过程中,实验设计和信号获取是非常重要的第一步,也是获得良好结果的前提。目前,获取脑电的方式主要是非侵入式方法,它有3种类型:①在思维作业期间,不进行任何刺激情况下,通过头皮电极记录脑电;②利用单次视觉诱发脑电获得脑电;③在感觉运动皮层区,利用μ节律的同步化和去同步化获得脑电。本文主要采用第一种方式获取BCI的控制信号,即通过想象左右手运动获取思维脑电。本文开展了基于想象左右手运动思维脑电信号的BCI系统控制信号采集、特征提取与识别分类研究。本研究目的是探索一种实用的基于想象运动思维脑电的BCI方式,通过寻找合适的信号处理方法,来提取最能反映不同思维的脑电特征,以得到准确的BCI系统外部控制命令,从而提高BCI系统通讯的识别正确率,为最终实现BCI应用奠定比较坚实的理论和实验基础。方法基于人在不同思维时表现的基本特性,本文阐述了基于想象左右手运动思维脑电信号用于BCI的原理。利用双计算机和Active One（生理信号测量系统）建立了一个基于想象左右手运动思维脑电的BCI信号采集实验系统。本研究采用头皮电极记录大脑皮层的自发脑电,该记录方式无创,使用者无需训练。通过软件编程的方式产生实验提示控制模式,屏幕上随机地出现向左或向右的箭头,受试者作出相应的选择,从而进行按键。对6名健康受试者进行3种不同时段（箭头出现2s、1s和0s后提示按键）情况下想象左右手运动思维作业的信号采集实验。随后,对实验数据进行离线处理和分析:通过对几种思维脑电信号处理方法的比较研究,提出利用小波多分辨率结合统计特性分析方法提取反映不同思维作业的脑电特征,同时研究了几种可用于本研究信号提取的基本小波函数;在对信号的模式识别方法进行比较深入而系统地研究基础上,提出了利用前向反馈神经网络（BP神经网络）方法识别分类这些特征。结果对所有受试者三种情况下平均延缓时间Δt2、Δt1和Δt0分析发现,Δt0与Δt1和Δt2之间均存在显著性差别（p<0.05）,而Δt1与Δt2之间没有显著差别（p>0.05）;三种情况下（特别在t=1s时）,实际按键前大概0.51s左右,想象左右手运动的思维脑电特征信号发生了明显改变,且这些特征存在明显不同。本研究得到的识别分类结果:在三种不同时段情况下,当训练集和测试集为同一受试者时（即同一受试者的部分样本作为训练集,其他部分样本作为测试集）,比如待识别分类的特征向量集为C3通道,三种情况下测试集的平均分类正确率分别达到65.00%、86.67%和72.00%,最大为90.00%,这些结果表明对于同一受试者而言可以获得比较理想的分类效果。不过,训练集和测试集为不同受试者时（即某个受试者作为训练样本集,其他受试者为测试样本集）,对其他受试者测试的识别分类正确率的平均值仅为60.00%左右,该结果表明:不同个体之间存在一些差异。在同一时段情况下（如箭头出现t=1s后提示按键）,当特征向量集分别选择C3、C4、CZ和这三个电极合并时,其识别分类正确率分别为86.67%、76.67%、70.00%和65.00%。该结果表明,特征向量选择单独某个电极比这些电极合并时得到的分类率要高些。结论本文设计三种情况下获取BCI信号的实验方案是可行的;本研究提出的在小波变换域中提取特征的方法可以有效地实现信号的去噪、降维和特征提取,是一种十分有效的特征提取方法;采用基于前向反馈神经网络（BP神经网络）的识别分类方法来识别想象左右手运动思维脑电特征,可以得到比较理想分类正确率和BCI系统外部控制信号,是一种有效的且易实现的信号识别方法。在选择合适通道构建特征向量集基础上,箭头出现1s后提示按键（随机按键）这种情况,可以获得更高的识别分类正确率。这说明通过合理实验设计获取的信号有助于识别正确率的提高;本研究提出的特征作为BCI系统外部装置控制信号是可行的,为BCI系统中不同思维任务的特征提取与识别分类提供了一种新的思路和方法。
【关键词】 脑-机接口； 脑电； 思维作业； 特征提取； 小波分析； BP神经网络；
英文缩写一览表 8-10
ABSTRACT 10-13
摘要 14-16
1 绪论 16-30
1.1 基于思维脑电的BCI 研究背景及意义 16-20
1.1.1 研究背景 16-18
1.1.2 研究意义 18-20
1.1.2.1 全新的助残方式和控制手段 18-19
1.1.2.2 特殊作业与军事环境下的应用 19
1.1.2.3 新型的信息交流和娱乐方式 19-20
1.2 BCI 技术研究现状及进展 20-27
1.2.1 BCI 系统简介 20-23
1.2.1.1 BCI 控制信号采集系统 20-21
1.2.1.2 信号处理系统 21-22
1.2.1.3 外部控制装置系统 22
1.2.1.4 BCI 系统的设计和性能评价标准 22-23
1.2.1.5 BCI 系统的分类 23
1.2.2 理论研究方法 23-25
1.2.3 应用研究概况 25-26
1.2.4 关键技术和存在的问题 26-27
1.3 本文研究目的和主要研究内容 27-29
1.3.1 本文研究目的 27
1.3.2 主要研究内容 27-28
1.3.3 论文的研究体系结构 28-29
1.4 课题来源 29-30
2 BCI 系统中EEG 信号特点与分析技术方法 30-36
2.1 脑电概述 30-32
2.2 脑电信号的特点 32-33
2.3 分析技术方法简介 33-36
2.3.1 频域分析 33-34
2.3.2 时域分析 34
2.3.3 时频域分析方法 34-36
3 想象左右手运动实验方案设计与BCI 系统构建 36-43
3.1 基于想象左右手运动实验方案的设计 36-37
3.2 实验提示程序设计 37-38
3.3 思维脑电信号的采集 38-41
3.3.1 记录部位与记录方式 38-39
3.3.2 信号采集系统 39-41
3.3.2.1 系统组成及要求 39-40
3.3.2.2 Active one 生理信号测量系统简介 40-41
3.4 实验系统与模型的构建 41-43
4 思维脑电特征提取方法研究及统计特性分析 43-77
4.1 概述 43-44
4.2 信号预处理与提取方法研究 44-52
4.2.1 公共平均参考法 44
4.2.2 维纳滤波 44-46
4.2.3 自适应滤波 46-48
4.2.4 频谱分析方法 48-49
4.2.5 ICA 方法 49-50
4.2.6 FAR 和AAR 方法 50-52
4.2.6.1 p 阶FAR 模型 51-52
4.2.6.2 p 阶AAR 模型 52
4.3 小波变换与MRA 方法提取思维脑电特征 52-74
4.3.1 概述 52-53
4.3.2 小波变换基本理论 53-71
4.3.2.1 傅立叶变换 53
4.3.2.2 短时傅立叶变换 53-55
4.3.2.3 小波变换与多分辩率分析(MRA) 55-63
4.3.2.4 小波包分析 63-65
4.3.2.5 常用小波函数 65-71
4.3.3 小波系数方法提取思维脑电特征 71-74
4.3.3.1 小波变换系数的特征表现形式 71-72
4.3.3.2 特征提取与特征向量的构建 72-74
4.4 思维脑电特征的统计特性分析 74-75
4.4.1 意义 74
4.4.2 统计特性分析方法 74-75
4.4.2.1 差别检验 75
4.4.2.2 相关分析 75
4.5 本章小结 75-77
5 思维脑电信号特征识别分类方法研究 77-103
5.1 概述 77-79
5.2 信号识别分类方法研究 79-92
5.2.1 统计模式识别 79-85
5.2.1.1 聚类分析 79-81
5.2.1.2 统计判决 81-82
5.2.1.3 Fisher 线性判别 82-83
5.2.1.4 支持向量机 83-85
5.2.2 句法模式识别 85-87
5.2.3 逻辑推理法 87
5.2.4 模糊模式识别 87-88
5.2.5 神经网络模式识别 88-92
5.2.5.1 神经网络的简单原理 88-89
5.2.5.2 神经元和神经网络的结构 89-90
5.2.5.3 人工神经网络基本特性 90-91
5.2.5.4 人工神经网络的分类与应用 91-92
5.3 BP 神经网络方法识别思维脑电特征 92-101
5.3.1 感知器神经网络 92-94
5.3.2 BP 神经网络 94-99
5.3.2.1 BP 网络结构 94-95
5.3.2.2 BP 神经网络的设计 95-99
5.3.3 基于BP 神经网络的思维脑电特征识别分类方法 99-101
5.4 本章小结 101-103
6 想象运动思维脑电BCI 实验研究及结果分析 103-119
6.1 实验方法及具体实验过程 103-106
6.1.1 实验方法 103-104
6.1.2 实验过程 104-106
6.2 实验数据处理分析过程 106-109
6.2.1 思维脑电的特征提取 107-108
6.2.2 脑电特征的统计特性分析 108
6.2.3 脑电特征的识别分类 108-109
6.3 实验结果与分析讨论 109-117
6.3.1 对于?t 的分析 109-110
6.3.2 三种情况下的信号特征分布与特性分析 110-113
6.3.3 三种情况下的识别分类结果 113-117
6.4 本章小结 117-119
7 全文总结与展望 119-125
7.1 全文总结 119-122
7.2 展望与进一步改进的方面 122-125
致谢 125-126
参考文献 126-134
附录 134-135
A. 作者在攻读博士学位期间发表的论文 134-135
B. 作者在攻读博士学位期间参加的科研项目及获奖情况 135
学术论文网Tag： |
